基于代理分解的信息检索中的模板化财务报告生成

量身定制公司盈利公告的结构化财务报告对于理解财务表现至关重要，已在实际分析中广泛采用。然而，现有摘要方法常生成宽泛、高层次的摘要，可能缺乏针对财务报告通常聚焦于特定结构章节的精确性和细节。虽然大型语言模型(LLM)在此方面具有潜力，但生成遵循预定义多章节模板的报告仍具挑战。本文研究了行业流行的两种LLM方法用于生成模板化财务报告：一种是基于代理的信息检索(IR)框架，另一种是分解式IR方法，即AgenticIR与DecomposedIR。AgenticIR利用充满完整模板的协作代理。相比之下，DecomposedIR方法采用提示链式工作流程，将模板拆分为每个章节并将其重新表述为LLM通过盈利公告回答查询的形式。为定量评估所生成报告，我们在两种情境下进行了评估：一种使用无直接人类参考的财务数据集，另一种使用具有专家编写报告的天气数据集。实验结果表明，尽管AgenticIR在通过代理协作生成简洁报告方面可能在组织任务方面具有优势，但DecomposedIR在两个情境中均在提供更广泛和更详尽的覆盖方面显著优于AgenticIR方法，反映了在实际应用中利用代理框架的考量。